软件学报

作者：张青博,王斌,崔宁宁,宋晓旭,秦婧

单位：张青博，东北大学 计算机科学与工程学院, 辽宁 沈阳 11018911,王斌，东北大学 计算机科学与工程学院, 辽宁 沈阳 11018902,崔宁宁，东北大学 计算机科学与工程学院, 辽宁 沈阳 11018903,宋晓旭，东北大学 计算机科学与工程学院, 辽宁 沈阳 11018904,秦婧，东北大学 计算机科学与工程学院, 辽宁 沈阳 11018905

关键词：推荐系统;矩阵分解;数据稀疏;冷启动;社交网络;注意力机制

基金：国家重点研发计划（2018YFB1700404）；国家自然科学基金（U1736104，61572122，61532021）；中央高校基本科研专项资金（N171602003）

近年来，矩阵分解（MF）技术因其有效性和简便性在推荐系统中得到广泛应用.但是，数据稀疏和冷启动问题导致MF学习到的用户特征向量不能准确地代表用户的偏好以及反映用户间的相似关系，影响了模型的性能.为了解决该问题，规范化矩阵分解（RMF）技术引起了研究者的关注.挖掘用户间可靠的相似关系，是RMF需要解决的问题.此外，MF将目标用户特征向量和目标项目特征向量的内积作为目标用户对目标项目的评分，这种简单的线性关系忽略了用户对项目各个属性特征不同的关注度.如何分析用户对项目属性特征的关注度，获取用户更准确的偏好，仍然是一个挑战.针对上述问题，提出了基于注意力机制的规范化矩阵分解模型（ARMF）.具体地，为了获取用户间可靠的相似关系解决数据稀疏和冷启动问题，该模型同时依据用户信任网络和评分记录构建用户-项目异构网络，并基于该异构网络挖掘用户间的相似关系；为了进一步提升模型性能，通过在MF中引入注意力机制，分析用户对项目各个属性特征不同的关注度来获取用户更准确的偏好.最后，在两个真实数据集上对比ARMF与现有工作，实验结果证明，ARMF有更好的准确性和健壮性.

来源：2020年第3期

《软件学报》期刊编辑部

查看软件学报杂志2020年第3期